YouTube · 简报The Exact Claude Setup That Writes My Documents Automatically
查看原文
思维导图
思维导图（纯文本版）
- 用 Claude 自动写文档：从转录到像素级匹配的成品
- 核心三步法
- Step1 反向工程：从既有优秀文档提取结构与美学
- Step2 封装 Skill：把规则固化为可复用的 Claude skill
- Step3 嵌入 Project：参考文件 + 系统提示 + skill 调用
- Prompt 工程方法
- WWH 框架：What / Why / How
- 关键词：methodically、reverse engineer、pixel perfect
- 用 Prompt Improver 升级（勾选 thinking model）
- 落地要素
- 多格式投喂（PDF + docx）提高识别率
- 在系统提示中显式调用 skill 名称
- 参考文件放历史提案与自家服务清单
- 成功关键：迭代心态
- 第一版几乎不完美
- 人类期待与 AI 输出存在差距
- 持续测试让两者收敛，最终可完全外包
- 适用场景拓展
- 合同、SOP、跟进邮件、报告
- 任何 "对话→文档" 的工作流
核心要点
- 把 "对话→文档" 视作 AI 落地最易出 ROI 的场景，先从公司现有的优质文档反推标准，再交给 AI 模仿。
- 三步法的精髓在分层：美学规则封进 skill，业务逻辑写进 project 系统提示，使用者只负责提供转录。
- 写 prompt 时用 What/Why/How 三问框架打底，再用 Claude 自带的 Prompt Improver 升级为带 header 和 scratchpad 的结构化版本。
- "methodically"、"reverse engineer"、"pixel perfect" 这类词在指挥 AI 复刻文档时显著更有效。
- Claude Skill 本质是一个装着提示词的文件夹，可复制、可分享，是把一次性成果固化为团队资产的关键载体。
- AI 的真正瓶颈不是模型能力，而是使用者愿不愿意持续迭代——人类心中的 "好" 与 AI 初版输出存在系统性差距，要靠测试收敛。
- 当前 Skills 仍是 Claude 独有功能，但作者预测 ChatGPT 和 Gemini 几个月内会跟进，值得提前布局。
评论区共识
高赞评论普遍认为内容实用、教育质量高，尤其欣赏 "反向工程优秀文档" 这一思路，不少观众也表示从中第一次了解到 Claude 平台自带 Prompt Improver 等工具，受到启发想去尝试 Claude Code、Skills 与 Obsidian 等结合。
评论区争议
也有观众提出质疑或不同声音：有人指出视频信息略过时，Skills 已不再是 Claude 独占；有人反思 "为什么要让 AI 替你思考"；还有用户反馈实际使用中 Claude 只是模仿模板样式而非真正套用 Word 样式表，导致格式维护麻烦，并质疑这种 project 在 Pro 套餐下的额度消耗。
章节（12）
00:00 开场：30秒生成提案
作者展示其工作流：把通话转录丢进 Claude，30 秒生成与自己风格高度一致的提案。强调这套三步系统不仅适用提案，也适合合同、SOP、跟进邮件等任何对话型文档。
- 五个月没从零写过提案，全靠 Claude 00:00
- 核心是三步系统：逆向工程→封装 skill→放入 project
- 适用范围广，凡是基于对话产出的文档都可复用 00:24
介绍三步流程的逻辑：先从既有优秀文档反推 "什么叫好"，再把这种 "好" 封装为 Claude skill，最后嵌入 project，使其只需要一份转录就能输出成品。
- 把对话转成文档是 AI 落地最容易摘到的果子 00:33
- 三步：反向工程 → 封装 skill → 嵌入 project 01:01
- 最终用户只需丢一份 transcript 即可 01:28
使用现有的合同、SOP、提案作为 "好" 的基准，让 AI 提取出结构、样式、字号、间距等美学要素，确保未来 AI 产出符合品牌风格。
- 现成文档就是 "good" 的样本 01:33
- 要提取结构、样式、字体、间距等美学元素 01:45
- Skills 目前只是 Claude 原生功能，但 ChatGPT、Gemini 几个月内大概率跟进 02:05
展示用于反向工程的简单提示词，强调 "methodically"、"reverse engineer"、"pixel perfect" 这几个对 AI 特别有效的关键词，并要求 AI 在指定项之外自由发挥提取其他要素。
- 提示词关键词：methodically、reverse engineer、pixel perfect 02:56
- 要列明提取项，但也给 AI 自由发挥空间 03:08
- 同时投喂 PDF + docx 两种格式以提升识别成功率 04:02
- 实际反向工程耗时约 10–15 分钟 04:18
04:29 把成果封装为 Claude Skill
在同一对话线程内继续提示，让 Claude 调用 skill-creator 把刚学到的美学规则封装成可复用的 skill。需要先在设置里打开 Skills 与 Skill Creator。
- Skill 本质就是一个装着提示词的文件夹 04:38
- 需在 Settings → Capabilities 打开 Skills 和 Skill Creator 05:11
- 点击 "copy to your skills" 即可保存，可下载分享给他人 06:09
- 作者已生成名为 "gradient-proposal" 的 skill 06:28
06:37 搭建可复用 Project
在 Claude project 中组合三要素：参考文件（既有提案、产品介绍等）、系统提示词、以及对 skill 的调用。强调系统提示词是花时间最多的环节。
- 三大组件：参考文件 + 系统提示词 + skill 调用 06:46
- 参考文件可放历史提案与自家服务清单 06:52
- 系统提示词中要显式调用 skill 名称 07:24
07:34 WWH 框架写基础 Prompt
用 What / Why / How 三问法写出基础 prompt：告诉 AI 做什么、为什么做、有哪些约束，再交给 prompt improver 润色。
- What：定义角色和任务 08:02
- Why：让 AI 推断你没说出口的隐含需求 08:06
- How：输出格式、结构、文件类型等约束 08:24
- Prompt 里要带入自己 skill 的真实名称 09:16
- 作者将 6 项提案结构与 docx 输出格式写进 How 部分 10:05
10:28 用 Prompt Improver 升级
在 platform.claude.com 把基础 prompt 跑一遍 prompt improver，特别勾选 "用于 thinking model"，生成结构化、带 header 和 scratchpad 的高质量提示词。
- 勾选 thinking model 选项以匹配 Opus 4.5 11:12
- 改进版会自动加入 section header 帮助 AI 定位上下文 11:54
- scratchpad 让模型在回复前自我审视 12:19
- 结尾追加 format requirement 与 skill 调用 12:36
实际演示：只输入 "draft a proposal from the below transcript" + 转录，就能拿到与模板像素级一致的 Word 文档；并手把手展示如何新建 project、上传文件、粘贴指令。
- 调用方式简单到只需一句话 + 转录 12:51
- 输出与模板对比 "identical" 13:18
- 新建 project：projects → new → 上传 offerings + 模板 → 粘贴系统提示 13:33
14:18 真正的核心技能：迭代
提醒观众：AI 第一版几乎从不完美，真正稀缺的是 "持续测试与迭代" 的耐心。人类对 "好" 的期待与 AI 初始输出之间有差距，需要通过不断完善上下文与系统提示来收敛。
- 第一次输出几乎不会完美 14:23
- 核心能力是 persistence + 高质量测试 14:34
- 靠迭代让 AI 输出逐步逼近人类标准 15:05
- 当两者收敛时，才能真正把任务外包给 AI 15:14
快速复盘三步法：反向工程→封装 skill→嵌入 project，让任何 transcript 都能一键产出目标文档。
- Step1：用强模型反向工程现有优质文档 15:32
- Step2：把美学规则封装成 Claude skill 15:45
- Step3：把 skill + 参考文件 + system prompt 组合进 project 15:51
宣传作者的免费 30 天 AI Insights 与付费服务，并预告下一支视频：如何处理大量文件（如 50 通通话），避免 AI 在长上下文中 "崩溃"。
- 推广 30-day AI Insights 邮件订阅 16:03
- 付费咨询/社群入口 16:14
- 预告：如何让 AI 处理海量数据不丢上下文 16:24
claude-opus-4-7 · 生成于 5/24/2026, 7:50:09 AM